論文の概要: Identifying Relevant Features of CSE-CIC-IDS2018 Dataset for the
Development of an Intrusion Detection System
- arxiv url: http://arxiv.org/abs/2307.11544v1
- Date: Fri, 21 Jul 2023 12:45:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-24 12:33:03.941166
- Title: Identifying Relevant Features of CSE-CIC-IDS2018 Dataset for the
Development of an Intrusion Detection System
- Title（参考訳）: 侵入検知システムの開発のためのCSE-CIC-IDS2018データセットの関連性同定
- Authors: L\'aszl\'o G\"ocs, Zsolt Csaba Johany\'ak
- Abstract要約: 侵入検知システム(IDS)はITシステムにとって重要な要素である。
悪意のあるトラフィックと良性のあるトラフィックを安全に区別するために必要な,最小限の機能セットの識別は,IDSの開発において不可欠である。
本稿では、AWSデータセット上のCSE-CIC-IDS2018における前処理と機能選択のワークフローと、その結果について述べる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Intrusion detection systems (IDSs) are essential elements of IT systems.
Their key component is a classification module that continuously evaluates some
features of the network traffic and identifies possible threats. Its efficiency
is greatly affected by the right selection of the features to be monitored.
Therefore, the identification of a minimal set of features that are necessary
to safely distinguish malicious traffic from benign traffic is indispensable in
the course of the development of an IDS. This paper presents the preprocessing
and feature selection workflow as well as its results in the case of the
CSE-CIC-IDS2018 on AWS dataset, focusing on five attack types. To identify the
relevant features, six feature selection methods were applied, and the final
ranking of the features was elaborated based on their average score. Next,
several subsets of the features were formed based on different ranking
threshold values, and each subset was tried with five classification algorithms
to determine the optimal feature set for each attack type. During the
evaluation, four widely used metrics were taken into consideration.
- Abstract（参考訳）: 侵入検知システム(IDS)はITシステムにとって重要な要素である。
主要なコンポーネントは分類モジュールで、ネットワークトラフィックのいくつかの機能を継続的に評価し、潜在的な脅威を特定する。
その効率は、監視対象の機能の適切な選択によって大きく影響を受ける。
したがって、IDSの開発において、悪意のあるトラフィックと良性のあるトラフィックを安全に区別するために必要な、最小限の機能セットの識別は不可欠である。
本稿では,AWSデータセット上でのCSE-CIC-IDS2018における前処理と機能選択のワークフローと,その結果について述べる。
関連する特徴を識別するために,6つの特徴選択法を適用し,その平均値に基づいて最終ランク付けを行った。
次に,いくつかの特徴のサブセットを異なるランク付けしきい値に基づいて生成し,各サブセットを5つの分類アルゴリズムを用いて攻撃タイプごとに最適な特徴セットを判定した。
評価中に4つの広く使用されている指標が考慮された。
関連論文リスト
- Collaborative Feature-Logits Contrastive Learning for Open-Set Semi-Supervised Object Detection [75.02249869573994]
オープンセットのシナリオでは、ラベルなしデータセットには、イン・ディストリビューション(ID)クラスとアウト・オブ・ディストリビューション(OOD)クラスの両方が含まれている。
このような設定で半教師付き検出器を適用すると、OODクラスをIDクラスとして誤分類する可能性がある。
我々は、CFL-Detector(Collaborative Feature-Logits Detector)と呼ばれるシンプルで効果的な方法を提案する。
論文 参考訳（メタデータ） (2024-11-20T02:57:35Z) - Detection-Rate-Emphasized Multi-objective Evolutionary Feature Selection for Network Intrusion Detection [21.104686670216445]
ネットワーク侵入検出における特徴選択問題を3目的最適化問題としてモデル化するDR-MOFSを提案する。
ほとんどの場合、提案手法は従来の手法、すなわちより少ない特徴、より高い精度と検出率を達成できる。
論文 参考訳（メタデータ） (2024-06-13T14:42:17Z) - On the Cross-Dataset Generalization of Machine Learning for Network
Intrusion Detection [50.38534263407915]
ネットワーク侵入検知システム(NIDS)はサイバーセキュリティの基本的なツールである。
多様なネットワークにまたがる一般化能力は、その有効性と現実のアプリケーションにとって必須の要素である。
本研究では,機械学習に基づくNIDSの一般化に関する包括的分析を行う。
論文 参考訳（メタデータ） (2024-02-15T14:39:58Z) - Explaining Cross-Domain Recognition with Interpretable Deep Classifier [100.63114424262234]
解釈可能なDeep(IDC)は、ターゲットサンプルの最も近いソースサンプルを、分類器が決定を下す証拠として学習する。
我々のIDCは、精度の劣化がほとんどなく、最適なリジェクションオプションの分類を効果的に調整する、より説明可能なモデルに導かれる。
論文 参考訳（メタデータ） (2022-11-15T15:58:56Z) - Effective Metaheuristic Based Classifiers for Multiclass Intrusion
Detection [0.0]
侵入検知は情報システムやネットワークデバイスのセキュリティにおいて重要な役割を果たす。
大量のデータを持つことは、攻撃を検出する上で重要な問題のひとつだ。
特徴選択法は、最適な特徴を選択し、最大限の精度を達成するための鍵となる役割を担っている。
論文 参考訳（メタデータ） (2022-10-06T04:56:01Z) - Few-Shot Specific Emitter Identification via Deep Metric Ensemble
Learning [26.581059299453663]
本稿では,自動監視ブロードキャスト(ADS-B)信号を用いた航空機識別のための新しいFS-SEIを提案する。
特に,提案手法は特徴埋め込みと分類から成り立っている。
シミュレーションの結果,カテゴリごとのサンプル数が5以上であれば,提案手法の平均精度は98%以上であることがわかった。
論文 参考訳（メタデータ） (2022-07-14T01:09:22Z) - Compactness Score: A Fast Filter Method for Unsupervised Feature
Selection [66.84571085643928]
本稿では,CSUFS (Compactness Score) と呼ばれる高速な教師なし特徴選択手法を提案する。
提案アルゴリズムは既存のアルゴリズムよりも正確で効率的である。
論文 参考訳（メタデータ） (2022-01-31T13:01:37Z) - Automated Supervised Feature Selection for Differentiated Patterns of
Care [5.3825788156200565]
パイプラインには、上位K機能を選択するためのフィルタ、ラッパー、埋め込みの3つのタイプの機能選択テクニックが含まれていた。
選択された特徴は, 既存の多次元サブセットスキャン(MDSS)において, 最も異常なサブセット, ほとんど異常なサブセット, 確率スコア, 測定結果が記録された。
論文 参考訳（メタデータ） (2021-11-05T13:27:18Z) - An Explainable Machine Learning-based Network Intrusion Detection System
for Enabling Generalisability in Securing IoT Networks [0.0]
機械学習(ML)ベースのネットワーク侵入検知システムは、組織のセキュリティ姿勢を高める多くの利点をもたらす。
多くのシステムは研究コミュニティで設計・開発されており、特定のデータセットを用いて評価すると、しばしば完璧な検出率を達成する。
本稿では,異なるネットワーク環境と攻撃タイプに設定した共通機能の汎用性を評価することにより,ギャップを狭める。
論文 参考訳（メタデータ） (2021-04-15T00:44:45Z) - Adversarial Feature Augmentation and Normalization for Visual
Recognition [109.6834687220478]
最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。
本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。
代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
論文 参考訳（メタデータ） (2021-03-22T20:36:34Z) - Capturing scattered discriminative information using a deep architecture
in acoustic scene classification [49.86640645460706]
本研究では,識別情報を捕捉し,同時に過度に適合する問題を緩和する様々な手法について検討する。
我々は、ディープニューラルネットワークにおける従来の非線形アクティベーションを置き換えるために、Max Feature Map法を採用する。
2つのデータ拡張方法と2つの深いアーキテクチャモジュールは、システムの過度な適合を減らし、差別的なパワーを維持するためにさらに検討されている。
論文 参考訳（メタデータ） (2020-07-09T08:32:06Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。